Obecnie coraz więcej producentów wykorzystuje połączone możliwości sztucznej inteligencji i widzenia maszynowego, aby lepiej automatyzować, optymalizować wydajność i ulepszać kontrolę jakości.
AI rozszerza widzenie maszynowe oparte na regułach o analizę obrazu. Kiedy komputer (lub system wizyjny) odbiera obraz, oprogramowanie AI porównuje ten obraz z bazą danych zawierającą zarówno „dobre”, jak i „złe” przykłady referencyjne i dostarcza wynik. W najprostszej formie technologia wskazuje na wynik pozytywny/negatywny, ale złożoność odpowiedzi można skalować w zależności od wymagań i potrzeb. Ten proces uczenia się rozpoznawania wzorców i wnioskowania na podstawie obrazów referencyjnych z adnotacjami umożliwia komputerom rozróżnianie akceptowalnych i nieakceptowalnych anomalii w kontrolowanych obiektach.
Co więcej, rozwiązania z zakresu widzenia maszynowego wyposażone w technologię sztucznej inteligencji mogą wykorzystywać przetwarzanie języka naturalnego do odczytywania i interpretowania etykiet na obrazach w porównaniu z podejściami opartymi na regułach, które wymagają obszernego programowania i znacznej wiedzy technicznej. Dzięki temu większa liczba użytkowników może wykorzystać sztuczną inteligencję do automatyzacji fabryk. Dwie wiodące technologie AI – Edge Learning i Deep Learning – pomagają jeszcze bardziej uprościć automatyzację bardzo zmiennych zadań oraz rozwiązywać te zadania, które są zbyt skomplikowane i czasochłonne, aby programować je za pomocą algorytmów opartych na regułach.
Edge Learning to forma sztucznej inteligencji, w której przetwarzanie odbywa się na urządzeniu, czyli "na krawędzi" miejsca pochodzenia danych, przy użyciu wcześniej wytrenowanego zestawu algorytmów. Technologia ta jest łatwa w konfiguracji i opiera się na mniejszej liczbie obrazów oraz krótszym czasie szkolenia niż tradycyjne rozwiązania Deep Learning.
Deep Learning (technologia AI) potrafi przetwarzać duże, szczegółowe zbiory obrazów, dzięki czemu jest wykorzystywana do automatyzacji złożonych lub niestandardowych procesów. Technologia ta umożliwia użytkownikom szybkie i wydajne analizowanie ogromnych zestawów obrazów w celu wykrywania subtelnych defektów i dostarczania dokładnych wyników.
Edge Learning to forma sztucznej inteligencji (AI), w której przetwarzanie odbywa się na urządzeniu, czyli „na krawędzi” – w miejscu pochodzenia danych, przy użyciu wcześniej wytrenowanego zestawu algorytmów. Platforma Edge Learning jest prosta w konfiguracji, wymaga mniej czasu i mniejszej liczby obrazów treningowych w porównaniu z innymi rozwiązaniami AI, jak np. Deep Learning.
Edge Learning jest odpowiedzią zarówno dla inżynierów szukających łatwego sposobu integrowania automatyzacji w swoje linie produkcyjne, jak i dla doświadczonych inżynierów ds. automatyzacji, którzy regularnie korzystają z narzędzi wizji maszynowej opartych na regułach, ale nie posiadają specyficznej wiedzy z zakresu sztucznej inteligencji lub technologii Deep Learning. To sprawia, że ta technologia jest opłacalnym rozwiązaniem dla wszystkich – zarówno dla początkujących w dziedzinie wizji maszynowej, jak i dla ekspertów, pozwalając rozwiązywać szereg zadań w zakładach produkcyjnych różnych branż.
Wydajność rozwiązań Edge Learning pozwala analizować wiele obszarów zainteresowania (ROI) w swoim polu widzenia i klasyfikować każdy z tych obszarów pod kątem wielu kategorii. Dzięki temu użytkownik może dokonywać zaawansowanej weryfikacji montażu.
Przykładowo rozwiązanie Edge Learning może weryfikować i sortować cztery sekcje tac z mrożonymi posiłkami na linii o dużej prędkości. W dolnej sekcji każdej tacy znajduje się produkt białkowy, lewa górna część zawiera warzywa, środkowa górna – deser lub dodatek, a prawa strona – produkty skrobiowe. Każda z sekcji może zawierać wiele SKU takich jak kurczak, indyk lub klops w sekcji białkowej, a także ryż, ziemniaki lub makaron w sekcji skrobiowej.
Prostym kliknięciem i przeciągnięciem można zdefiniować i zablokować każdy obszar do niezmiennej cechy na tacy z posiłkiem. Następnie można wytrenować rozwiązanie Edge Learning do klasyfikowania każdej sekcji tacy przy użyciu zaledwie kilku obrazów. W ciągu kilku minut szkolenia, Edge Learning jest w stanie precyzyjnie klasyfikować różne sekcje z dużą szybkością. W przypadku zwiększenia różnorodności, na przykład poprzez wprowadzenie nowych klas lub odmian w obrębie tej samej klasy, narzędzie Edge Learning wystarczy zaktualizować o kilka zdjęć nowej kategorii.
Rozwiązanie stosowane na tacach z mrożonymi posiłkami sprawdza się również w klasyfikowaniu części i produktów w różnych branżach, co widać na przykładach zastosowań technologii Edge Learning.
Edge Learning pozwala połączyć wydajne widzenie maszynowe oparte na regułach z zestawem wstępnie wytrenowanych algorytmów sztucznej inteligencji, w celu utworzenia zintegrowanego zestawu narzędzi zoptymalizowanych pod kątem automatyzacji fabryk. Technologia ta nie wymaga specjalistycznej wiedzy z zakresu systemów wizyjnych czy sztucznej inteligencji. Zamiast tego inżynierowie linii produkcyjnych mogą wytrenować Edge Learning wykorzystując swoją dotychczasową wiedzę na temat wymaganych zadań. Dzięki temu technologia ta jest opłacalnym rozwiązaniem automatyzacji dla wszystkich — od początkujących po ekspertów. w dziedzinie systemów wizyjnych. Czytaj dalej, aby dowiedzieć się więcej o korzyściach płynących z wykorzystania Edge Learning w swoich operacjach.
 |
Deep Learning |
 |
Edge Learning |
Zalety | |
|
Od setek do tysięcy
|
Od pięciu do dziesięciu |
Mniej obrazów |
|||
|
Od godzin do dni |
Od sekund do minut |
Szybsza |
|||
|
Niezbędna znajomość |
Wcześniejsze doświadczenie nie jest wymagane |
Większa |
|||
Edge Learning oraz Deep Learning to formy sztucznej inteligencji (AI). Istnieją jednak istotne różnice między tymi zaawansowanymi technologiami, a każda z nich ma odrębną charakterystykę.
Edge Learning różni się od Deep Learning naciskiem na prostotę użytkowania na każdym etapie wdrożenia. Potrzebuje ona mniej obrazów do wypracowania koncepcji, skraca czas potrzebny na ustawienie i zbieranie obrazów i nie wymaga zaawansowanego programowa Jednak każda technologia ma swoje unikalne przykłady zastosowania.
Deep Learning symuluje sposób, w jaki połączenia neuronowe w ludzkim mózgu wzmacniają się i słabną, aby zrozumieć treść obrazów. Technologia ta polega na przeanalizowaniu dużego zestawu podobnych obrazów przez setki warstw sieci neuronowych. Poprzez nieznaczne modyfikowanie połączeń w obrębie tych warstw za każdym razem, gdy natykają się na nowe obrazy, technologia Deep Learning uczy się wiarygodnie je identyfikować i wykrywać ich wady bez żadnego wyraźnego treningu.
Tradycyjna technologia Deep Learning umożliwia przetwarzanie dużych i bardzo szczegółowych zbiorów obrazów, co czyni ją idealnym rozwiązaniem dla złożonych lub wysoce niestandardowych aplikacji. Ponieważ takie zastosowania wprowadzają znaczną zmienność, wymagają one zaawansowanej mocy obliczeniowej i rozbudowanych możliwości treningowych. Aby uwzględnić tę zmienność i uchwycić wszystkie potencjalne wyniki, do szkolenia należy użyć zbiorów zawierających setki lub tysiące obrazów. Tradycyjna technologia Deep Learning umożliwia użytkownikom szybką i skuteczną analizę takich zestawów obrazów, zapewniając wydajne rozwiązanie do automatyzacji skomplikowanych zadań. Podczas gdy w pełni rozbudowane produkty Deep Learning oraz struktury open source zaprojektowano do rozwiązywania złożonych aplikacji, większość zastosowań automatyki przemysłowej jest znacznie mniej skomplikowana, dzięki czemu lepiej sprawdzi się tu Edge Learning.
Możliwości technologii AI pozwalają rozwiązać problemy w automatyce fabryk, poprzez wbudowanie wiedzy o wymaganiach aplikacji w połączenia sieci neuronowych już na początkowym etapie wdrożenia. Takie wstępne wytrenowanie eliminuje wiele obciążeń obliczeniowych, zwłaszcza przy wsparciu odpowiednich tradycyjnych narzędzi wizyjnych. W efekcie, otrzymujemy lekki i szybki zestaw narzędzi wizyjnych opartych na technologii Edge Learning.
Narzędzia Edge Learning można wytrenować w ciągu kilku minut przy użyciu od pięciu do dziesięciu obrazów. Dla porównania, rozwiązania Deep Learning potrzebują często wielu godzin lub dni treningu oraz setek lub nawet tysięcy obrazów. Dzięki takiemu usprawnieniu wdrożenia, Edge Learning umożliwia producentom szybkie rozszerzenie operacji przy jednoczesnym zachowaniu elastyczności i łatwego dostosowania do zmian.
W celu zoptymalizowania Edge Learning do pracy na już wdrożonych systemach wizyjnych, obrazy szkoleniowe pomniejsza się lub skaluje w taki sposób, aby analizowany był tylko określony obszar zainteresowania. Jeśli przeskalowane obrazy może odróżnić od siebie oglądający je inżynier linii produkcyjnej, można mieć pewność, że poradzą sobie z tym również narzędzia Edge Learning. Należy jednak pamiętać, że ta optymalizacja wiąże się z pewnym kompromisem. Ogranicza to bowiem przydatność narzędzia Edge Learning w bardzo zaawansowanych i precyzyjnych aplikacjach do wykrywania defektów. Tutaj lepiej nadają się tradycyjne rozwiązania Deep Learning.
Dzięki prostej konfiguracji i możliwości rozwiązywania zadań o różnej złożoności, Edge Learning jest opłacalnym rozwiązaniem do wdrażania automatyzacji w wielu branżach. Ta wydajna technologia udostępnia możliwości sztucznej inteligencji użytkownikom o różnym doświadczeniu i umiejętnościach, dzięki czemu mogą oni przeprowadzać niezawodne inspekcje.
Sprawdzanie, czy system okablowania został całkowicie włożony, aby zapewnić prawidłowe działanie elementów elektrycznych
Sortowanie płytek PCB według stanu: włączone (PWR), w trakcie nadawania (TX) albo wyłączone (OFF)
Wykrywanie obecności/braku zatyczek na probówkach do pobierania próbek i ich klasyfikacja według koloru
Identyfikacja poziomu napełnienia fiolek i klasyfikacja ich jako przyjęte (w odpowiednim zakresie tolerancji) lub odrzucone (nadmiar lub niedostateczne napełnienie).
Przeprowadzanie kontroli nakrętek, aby upewnić się, że są one dokładnie zamocowane, co zapobiegnie zanieczyszczeniom, wyciekom i konieczności wycofania produktu.
